Top 5 KI-Investing-Setups: Stärken und Schwächen

Ein täglicher Bericht zur Watchlist, ein Team von Aktienanalysten und ein Backtester für Strategien lösen unterschiedliche Aufgaben. Die fünf führenden Projekte auf InvestingStack zeigen, wie vielfältig KI in der Geldanlage geworden ist. Ihr Nutzen hängt von der Rechercheaufgabe, der Datenqualität und den überprüfbaren Ergebnissen ab.

Dieser Vergleich folgt der Standardsortierung nach Gesamtzahl der GitHub-Sterne auf dem Agenten-Leaderboard von InvestingStack. Der Ranking-Stand ist der 11. Oktober 2026; die Projektdokumentation wurde am 13. Oktober 2026 geprüft. Stärken, Schwächen und Einsatzgebiete sind redaktionelle Einschätzungen der dokumentierten Funktionen. Wir haben keinen vergleichenden Handels- oder Renditetest durchgeführt.

InvestingStack wird von Investboard-Gründer David Bartas herausgegeben. Die Methodik ordnet Projekte nach öffentlichen GitHub-Kennzahlen, ohne redaktionelle Bewertung der Anlageleistung. Sterne zeigen Aufmerksamkeit. Sie belegen weder Anlagekompetenz noch profitable Renditen.

Die Top 5 im Überblick

Die Zahlen stammen aus dem Leaderboard-Stand vom 11. Oktober. Die Rechercheaufgaben sind unsere Einschätzung und keine zusätzliche Rangliste. Auch beim Handlungsumfang unterscheiden sich die Projekte: Berichte, simulierte Transaktionen und optionale Broker-Ausführung sind eigenständige Funktionen.

1. TradingAgents: strukturierte Aktienrecherche

TradingAgents verteilt die Recherche auf Analysten für Fundamentaldaten, Stimmung, Nachrichten und technische Analyse. Optimistische und skeptische Forscher diskutieren die Ergebnisse, bevor Trader- und Risikomanagement-Agenten eine Entscheidung formulieren. Das System lässt sich über die Kommandozeile bedienen oder in eine Python-Anwendung einbinden. Projektdokumentation.

Stärken. Die Trennung der Argumente erleichtert die Prüfung einer These: Fundamentaldaten können für ein Unternehmen sprechen, während die technische Analyse Schwäche zeigt. Modelle und Diskussionstiefe sind konfigurierbar. Die aktuelle Dokumentation beschreibt zudem Analysen mit Portfolioinformationen und historische US-Fundamentaldaten aus SEC-Meldungen in ihrem damaligen Stand. Das hilft, Informationen auszuschließen, die zum Analysezeitpunkt noch nicht öffentlich waren. Daten- und Portfoliodokumentation.

Schwächen. Zusätzliche Agenten und Diskussionsrunden erfordern in der Regel mehr Modellaufrufe und erhöhen Kosten und Wartezeit. Historische Fundamentaldaten außerhalb der USA sind eingeschränkt: Yahoo-Abschlüsse werden zurückgehalten, wenn das System ihren Veröffentlichungszeitpunkt nicht feststellen kann. Übereinstimmende Agentenurteile sollten deshalb an den Quellen geprüft werden; sie sind keine unabhängige Bestätigung.

Ein sinnvoller Einstieg. Unsere Einschätzung: zunächst einen Wert, feste Modelleinstellungen und gespeicherte Berichte verwenden. Die Begründungen mehrerer Durchläufe vergleichen, bevor der Ablauf erweitert wird. TradingAgents eignet sich als Kandidat für Entwickler und Forschende, die die Entstehung einer Anlagethese nachvollziehen möchten.

Was wir für TradingAgents entwickelt haben. Investboard bietet den quelloffenen Konnektor tradingagents-investboard, der auch auf PyPI verfügbar ist. TradingAgents läuft lokal mit Ihren eigenen Schlüsseln für den Modellanbieter. Der Konnektor kann zentrale Marktdatenabrufe über Ihr Investboard-Konto bedienen, Ihr Anlage-Mandat und Ihre bestehende Position in den Kontext jedes Agenten aufnehmen und die abgeschlossene Analyse zur Speicherung und Mandatsprüfung an Investboard übermitteln. Damit erhält die Aktienrecherche die Portfolioinformationen und Regeln, die sie berücksichtigen soll.

Die README des Konnektors nennt TradingAgents v0.4.0 als getestete Version. Prüfen Sie die Kompatibilitätshinweise, bevor Sie neuere Versionen des ursprünglichen Frameworks verwenden. Der Konnektor platziert keine Orders. Das Ergebnis der Mandatsprüfung dokumentiert einen Prüfschritt und ist weder Anlegerfreigabe noch Ordersperre beim Broker. Unser Beitrag über den Weg von der TradingAgents-Analyse zur überprüfbaren Anlageentscheidung erklärt die Umsetzung und die Grenzen der bislang erhobenen Nachweise.

2. Daily Stock Analysis: regelmäßige Watchlist-Berichte

Daily Stock Analysis untersucht eine selbst definierte Watchlist und verschickt Berichte unter anderem über Telegram, Discord, Slack, E-Mail, WeCom und Feishu. Das Projekt unterstützt GitHub Actions, Docker und lokale Zeitpläne. Eine Web- oder Desktop-Oberfläche ermöglicht den Zugriff auf frühere Analysen. Projektdokumentation.

Stärken. Der Ablauf macht Recherche zu einer wiederholbaren Routine. Berichte verbinden Schlussfolgerungen, technische Informationen, Nachrichten und Risikohinweise. Kostenlose Kursdaten erleichtern erste Versuche. Benachrichtigungen verringern außerdem die Notwendigkeit, täglich ein weiteres Dashboard zu öffnen.

Schwächen. Die Entwickler weisen darauf hin, dass kostenlose Quellen durch Abruflimits, Schnittstellenänderungen und Netzwerkprobleme ausfallen können. Eine kostenlose Zeitplanung garantiert weder kostenlose Modellaufrufe noch kostenlose Nachrichtensuche. Der Nutzen eines Berichts hängt deshalb von der Datenqualität und der Konfiguration der Dienste ab. Hinweise zu den Datenquellen.

Die Marktabdeckung ist unterschiedlich vollständig. Japan und Korea nutzen Yahoo-basierte Datenpfade mit eingeschränkten Fundamentaldaten und Portfoliobewertungen; auch für Taiwan sind Lücken dokumentiert. Ein erkanntes Börsenkürzel bedeutet noch keine vollständige Analyse des jeweiligen Marktes. Grenzen der Marktunterstützung.

Ein sinnvoller Einstieg. Mit einer kurzen Watchlist, einem Zustellkanal und einem zum Markt passenden Zeitplan beginnen. Nach unserer Einschätzung passt das Projekt zu regelmäßigen Rechercheberichten, sofern der Leser fehlende Daten prüft und bewertet, ob jeder Bericht neue, nützliche Informationen liefert.

3. AI Hedge Fund: ein Labor für Portfolioideen

AI Hedge Fund kombiniert stilisierte Anleger-Agenten und quantitative Modelle in einer konfigurierbaren Fondsarchitektur. Die Anlegerrollen nähern öffentlich bekannte Anlagephilosophien an; sie sind weder die genannten Personen noch deren Empfehlung. Das Visionsdokument trennt verfügbare Funktionen von längerfristigen Zielen. Architektur und Ausblick.

Stärken. Die dokumentierte Anwendung bietet simulierten Handel und Backtests. Simulierte Fonds führen ein fortlaufendes Protokoll; Backtests spielen einen Fonds über historische Zeiträume durch und vergleichen seine Wertentwicklung mit einer Benchmark. So lässt sich untersuchen, wie Rechercheurteile zu Positionen werden und wie sich ein Portfolio entwickelt. Aktuelle Anwendungsdokumentation.

Schwächen. Eine überzeugende Begründung im Stil von Buffett belegt keine Ergebnisse wie bei Buffett. Nach unserer Einschätzung können diese Rollen unterschiedliche Argumente sichtbar machen, müssen aber wie jedes andere Modell bewertet werden. Die Anwendung benötigt außerdem Zugangsdaten für Financial Datasets und einen Modellanbieter. Obwohl die Vision spätere echte Handelsausführung beschreibt, bezeichnet die aktuelle README die Anwendung als Bildungsprojekt ohne echte Transaktionen. Voraussetzungen und Funktionsumfang.

Ein sinnvoller Einstieg. Einen simulierten Fonds definieren, Analystenauswahl und Anlageuniversum stabil halten und sowohl das Entscheidungsprotokoll als auch den Benchmarkvergleich prüfen. Das Projekt ist ein Kandidat für Nutzer, die Portfolioansätze über die Zeit vergleichen möchten, statt einzelne Aktienberichte zu betrachten.

4. Vibe-Trading: ausführbare Rechercheexperimente

Vibe-Trading verbindet natürlichsprachliche Fragen mit Marktdatenwerkzeugen, Strategieerstellung, Backtests, Berichten und dauerhaftem Recherchegedächtnis. Es enthält Analystenteams und MCP-Werkzeuge. Der Ablauf „Shadow Account“ analysiert Handelsaufzeichnungen und vergleicht den tatsächlichen Verlauf mit daraus abgeleiteten Regeln. Projektdokumentation.

Stärken. Interessant ist der Weg von der Idee zu überprüfbaren Dateien. Eine Sitzung kann Strategiecode, Benchmarkvergleiche, Validierungsergebnisse und Protokolle des Testlaufs erzeugen. Damit erhält der Nutzer konkrete Prüfgrundlagen über eine sprachliche Empfehlung hinaus.

Schwächen. Der große Funktionsumfang bringt Komplexität mit. Datenquellen, Marktregeln, erzeugter Code und Ausführungsannahmen müssen zusammenpassen. Aktuelle Änderungen dokumentieren Korrekturen bei Ausführungskursen, Verlustkennzahlen, Bewertungen und Meldezeitpunkten. Das zeigt aktive Wartung und unterstreicht zugleich, dass Experimente einer bestimmten Softwareversion zugeordnet werden sollten. Dokumentierte Änderungen.

Auch die Broker-Unterstützung ist unterschiedlich. Die Dokumentation unterscheidet deklarierte Funktionen von geprüftem Verhalten; einige Portfolioverbindungen bleiben experimentell. Optionaler echter Handel verwendet separat autorisierte Broker-Verbindungen. Dokumentation der Verbindungen.

Ein sinnvoller Einstieg. Unsere Einschätzung: eine eng umrissene Recherchefrage, eine feste Datenquelle und gespeicherte Ergebnisse des Testlaufs wählen. Vibe-Trading passt zu technisch versierten Nutzern, die Strategien untersuchen. Ein schnell erzeugtes Experiment ersetzt jedoch nicht die Prüfung seiner Aussagekraft.

5. TradingAgents-CN: chinesischsprachige A-Aktien-Recherche

Die aktuelle Community Edition von TradingAgents-CN beschreibt einen Rechercheassistenten für chinesische A-Aktien mit Analyse durch Agentendiskussionen, natürlichsprachlicher Aktiensuche, Gedächtnis, eigenen Datenwerkzeugen und simuliertem Handel. Die Lokalisierung geht über Übersetzung hinaus: chinesische Marktdaten, Begriffe und Lernmaterialien sind Teil der Rechercheumgebung. Aktuelle Dokumentation.

Stärken. Chinesischsprachige Anleger können Vorauswahl und Einzelaktienanalyse in einer Umgebung verbinden. Die Spezialisierung ist praktisch, wenn Festlandaktien im Mittelpunkt der Recherche stehen.

Schwächen. Die Installation benötigt mehrere Komponenten, darunter Python, Node.js, MongoDB und Redis. Der Betrieb ist aufwendiger als ein einfaches Analyseskript. Auch die Versionsgrenze zählt: zeitgesteuerte und gebündelte Analysen, Werkzeuge für eigene Agenten und erweiterte Berichtsexporte werden als Funktionen der kostenpflichtigen Pro-Edition des Projekts geführt. Versionsvergleich.

Die Lizenz ist hybrid. Die Kernbibliothek verwendet Apache-2.0; Anwendungskomponenten sind proprietäre Software mit einsehbarem Quellcode und Einschränkungen für Weiterverteilung und kommerzielle Nutzung. Lizenz.

Ein sinnvoller Einstieg. Nach unserer Einschätzung zunächst Einzelaktienanalyse und Vorauswahl in der Community Edition testen. Vor Automatisierung oder kommerzieller Weiterverwendung die Versions- und Lizenzbedingungen klären. InvestingStack nennt weitere Märkte; die aktuelle README begrenzt das System ausdrücklich auf A-Aktien-Recherche. Für den Funktionsumfang ist die aktuelle Projektdokumentation maßgeblich.

Das Setup nach der Aufgabe auswählen

Die Projekte lösen unterschiedliche Aufgaben. TradingAgents unterstützt die Prüfung einer These; Daily Stock Analysis liefert regelmäßige Berichte; AI Hedge Fund untersucht Portfoliosimulationen; Vibe-Trading erzeugt ausführbare Experimente; TradingAgents-CN bietet eine lokalisierte Umgebung für A-Aktien.

Für eine erste Bewertung eine konkrete Rechercheaufgabe festlegen und das Ergebnis dokumentieren: Welche Fakten stimmten, welche Quellen fehlten, was kostete der Durchlauf und verbesserte der Bericht die Recherche? Bei einem Backtest außerdem Datenzeitpunkte, Benchmark, Kosten und die Annahmen der simulierten Ausführung prüfen. Keine dieser Prüfungen lässt sich durch die Zahl der GitHub-Sterne ersetzen.

Eine Idee muss auch zu den bestehenden Positionen und eigenen Regeln passen. Unser Artikel über Kontrolle bei KI-gestützter Geldanlage erklärt das Zusammenspiel von Recherche, Anlage-Mandat und Portfoliobeobachtung. Der oben beschriebene TradingAgents-Konnektor verbindet die Recherche mit diesem Kontext. Investboard führt seine Handelsentscheidungen nicht aus.